书写一段量基于神经网络模型的预测代码

以下是一个简单的基于神经网络模型的预测代码示例，使用TensorFlow库进行实现：

import tensorflow as tf
import numpy as np

# 定义训练数据及其标签
train_data = np.array([[0, 0], [0, 1], [1, 0], [1, 1]], dtype=np.float32)
train_labels = np.array([[0], [1], [1], [0]], dtype=np.float32)

# 定义神经网络模型
model = tf.keras.Sequential([
    tf.keras.layers.Dense(2, activation='relu', input_shape=(2,)),
    tf.keras.layers.Dense(1, activation='sigmoid')
])

# 编译模型
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])

# 训练模型
model.fit(train_data, train_labels, epochs=1000, verbose=0)

# 预测新样本
test_data = np.array([[0, 0], [0, 1], [1, 0], [1, 1]], dtype=np.float32)
predictions = model.predict(test_data)

# 打印预测结果
for i in range(len(test_data)):
    print(f"Input: {test_data[i]}, Predicted Output: {predictions[i]}")

这段代码实现了一个简单的神经网络模型，用于预测逻辑门运算的结果。训练数据包括四个逻辑门的输入和对应的输出。模型经过训练后，可以用来预测新样本的输出。在这个例子中，模型的输出是一个介于0和1之间的概率值，表示样本属于某一类别的概率。